Quantifying the Flexibility of Residential Electricity Demand in 2050 Through Price Elasticities: a Bottom-up Approach

Dries Guldentops Jonas Engels
Slimme elektriciteitsnetten: de oplossing voor het energieprobleem?door Jonas Engels en Dries GuldentopsDe opwarming van de aarde leidt tot een groeiende bewustwording dat de uitstoot van broeikasgassen sterk verminderd moet worden om de globale temperatuurstijging te beperken. Dit zorgt ervoor dat het aandeel van fluctuerende hernieuwbare energiebronnen in de elektriciteitsproductie toeneemt. Opdat het elektriciteitssysteem zou kunnen omgaan met deze onvoorspelbare, variërende energiebronnen heeft het een grote graad van flexibiliteit nodig.

Quantifying the Flexibility of Residential Electricity Demand in 2050 Through Price Elasticities: a Bottom-up Approach

Slimme elektriciteitsnetten: de oplossing voor het energieprobleem?

door Jonas Engels en Dries Guldentops

De opwarming van de aarde leidt tot een groeiende bewustwording dat de uitstoot van broeikasgassen sterk verminderd moet worden om de globale temperatuurstijging te beperken. Dit zorgt ervoor dat het aandeel van fluctuerende hernieuwbare energiebronnen in de elektriciteitsproductie toeneemt. Opdat het elektriciteitssysteem zou kunnen omgaan met deze onvoorspelbare, variërende energiebronnen heeft het een grote graad van flexibiliteit nodig. Door het ontwikkelen van nieuwe concepten als slimme elektriciteitsnetwerken ontstaan er nieuwe manieren om in deze nood aan flexibiliteit te voorzien, zoals de actieve deelname van de vraagzijde op de elektriciteitsmarkt. De netwerkbeheerder staat hier voor de grote uitdaging om deze flexibiliteit vooraf in de markt in te plannen. Zo kan bijvoorbeeld het gebruik van dure piekcentrales worden vermeden. Om dit mogelijk te maken moet deze flexibiliteit echter eerst bepaald en gekwantificeerd worden. Hiervoor werd  een methode ontwikkeld om de flexibiliteit van de residentiële vraagzijde te kwantificeren door middel van prijselasticiteiten. Een prijselasticiteit geeft de gedragswijziging in elektriciteitsverbruik weer bij een verandering van de elektriciteitsprijs.

ModelleringBovenstaande methode gaat uit van een bottom-up principe. Dit wil zeggen dat eerst het gedrag van de individuele consument wordt gemodelleerd om vervolgens een heel land te kunnen voorstellen. Dit wordt vervolgens toegepast op een volledig geëlektrificeerde, CO2-vrije maatschappij geprojecteerd naar 2050 voor België. De modellering bestaat uit twee delen, namelijk: 1) de modellering van de verschillende flexibele apparaten en de optimalisatie van hun elektriciteitsverbruik met het oog op kostenminimalisatie, en 2) het bepalen van de prijselasticiteiten met behulp van statistische methodes gebruik makende van de resultaten van voorgaande optimalisaties. Drie types van flexibele apparaten zijn geïmplementeerd: verwarming (d.m.v. warmtepompen en elektrische bijverwarming), elektrische voertuigen en witgoedtoestellen (wasmachines, droogkasten en vaatwassers). Deze apparaten worden samen gegroepeerd in huizen, rekening houdend met hun verwachte penetratiegraad. Elk huishouden krijgt een variërende elektriciteitsprijs doorgestuurd (bv. één dag op voorhand). Het elektriciteitsverbruik van hun flexibele apparaten wordt dan zo gepland zodat de elektriciteitskost minimaal is voor de verbruiker. Om een correcte weergave te krijgen van de bevolkingsstructuur en van de penetratiegraden van de verschillende apparaten worden huizen per 70 gegroepeerd in een wijk. Een wijk heeft voor elk prijssignaal een overeenkomstig elektriciteitsverbruik. Om de complexiteit niet te hoog te maken wordt gezocht naar een lineair verband tussen een relatieve prijsverandering en een relatieve verandering in elektriciteitsverbruik voor een wijk, ten opzichte van een referentiescenario. Dit verband wordt gelegd m.b.v. lineaire regressies. De resultaten van deze regressies leiden dan tot de gezochte prijselasticiteiten voor een specfieke wijk. Deze prijselasticiteiten worden gegroepeerd in een ‘elasticiteitenmatrix’. De diagonaal van deze matrix bevat de eigen prijselasticiteiten per uur, de waarden buiten de diagonaal worden kruiselasticiteiten genoemd. De eigen prijselasticiteiten drukken het verband uit tussen de procentuele verandering van de prijs op een bepaald uur en de procentuele verandering in elektriciteitsverbruik op hetzelfde uur. Deze eigen elasticiteiten zijn doorgaans negatief. De kruiselasticiteiten drukken het verband uit tussen de procentuele verandering van de prijs op een bepaald uur en de procentuele verandering in elektriciteitsverbruik op ander uur. Deze zijn in het algemeen positief, met grote waarden nabij de diagonaal en kleinere waarden verder van de diagonaal. Verder wordt er een selectieve regressie toegepast om op een statistische manier het tijdsinterval te bepalen waarbinnen een verandering van de elektriciteitsprijs effect heeft op het elektriciteitsverbruik. Aangezien elke wijk is opgebouwd uit verschillende stochastische elementen (penetratiegraden van apparaten, bezetting van huizen, enz.), kunnen de karakteristieken van een ‘gemiddelde’ wijk bepaald worden via een Monte Carlo simulatie. De bekomen resultaten van een gemiddelde wijk kunnen dan worden opgeschaald naar het niveau van een regio of een land, in deze thesis toegepast op België. De Monte Carlo simulatie wordt uitgevoerd voor de vier verschillende seizoenen, zowel voor weekdagen als weekenddagen om de invloed op de flexibiliteit na te gaan.

ResultatenHet gemiddeld jaarlijks elektriciteitsverbruik volgens het geïmplementeerde model verdubbelt t.o.v. de huidige residentiële elektriciteitsvraag. Dit is vooral te wijten aan de volledige elektrificatie. Verwarming en transport gebeuren nu immers vooralmet fossiele brandstoffen, waar ze hier  nieuwe elektrische lasten vormenmet warmtepompen en elektrische voertuigen. Het piekvermogen neemt toe met een factor 5 tot 8, afhankelijk van het seizoen. Dit komt wederom door de nieuwe elektrische lasten en door de prijsstrategie die ervoor zorgt dat zoveel mogelijk lasten naar hetzelfde (goedkope) moment worden verschoven. De prijselasticiteiten tonen aan dat er in de winter het meeste flexibiliteit voorhanden is en in de zomer het minste. Dit is voornamelijk te wijten aan de belangrijke bijdrage van de elektrische verwarmingsapparaten tot de flexibiliteit. De grootste tijdspanne waarin een prijsverandering invloed heeft op de vraag volgens ons model is zeven uur. Dit wil zeggen dat (een deel van) de elektriciteitsvraag maximaal zeven uur verschoven wordt in de tijd t.o.v. zijn originele verbruikstijdstip bij de referentieprijs. De meeste flexibiliteit die beschikbaar is komt van de verwarmingsapparaten. Deze varieert zoals eerder gezegd naargelang het seizoen. Elektrische voertuigen zorgen ook voor een aanzienlijk deel van de totale flexibiliteit, voornamelijk tijdens de nacht. Witgoedtoestellen leveren een eerder beperkte bijdrage.

ConclusieDe bekomen elasticiteitsmatrices kunnen in een verdere stap gebruikt worden in een unit commitment model om de flexibele vraag mee te plannen in de elektriciteitsvoorziening. De prijselasticiteiten geven aan dat er heel wat ruimte is om het elektriciteitsverbruik te verschuiven naar momenten wanneer elektriciteit goedkoop is. Dit is veelal het geval als er veel hernieuwbare elektriciteit wordt geproduceerd. Met behulp van slimme netten zou de vraag dus beter op het aanbod kunnen afgestemd worden en zouden zo de erg actuele dreigende blackouts vermeden kunnen worden.

Bibliografie

[1] European Climate Foundation, “Roadmap 2050: Practical guide to a prosperous,low-carbon Europe,” tech. rep., ECF, 2011.[2] COM(2011) 885/2 from the European Commission, “Energy roadmap 2050,”2011.[3] COM(2011) 112 from the European Commission, “A roadmap for moving to acompetitive low-carbon economy in 2050,” 2011.[4] Eurelectric, “Power choices: Pathways to carbon-neutral electricity in Europeby 2050,” tech. rep., Eurelectric, 2011.[5] S. Teske, J. Muth, S. Sawyer, T. Pregger, S. Simon, T. Naegler, M. O’Sullivan,S. Schmid, J. Pagenkopf, B. Frieske, et al., “Energy [r]evolution: a sustainableworld energy outlook,” tech. rep., Greenpeace International, EREC and GWEC,2012.[6] F. Comaty, “Modeling and Simulation of the European Power System usingPower Nodes - Assessing the Value of Flexibility for High-Share Integration ofRenewable Energies in Europe,” Master’s thesis, ETH Zürich, 2013.[7] Energy institute KU Leuven, “Fundamental study of a greenhouse gas emissionfreeenergy system.” GOA study at the Energy institute of KU Leuven, 2010.[8] Edward J. Bloustein School of Planning and Public Policy, “Assessment ofcustomer response to real time pricing,” tech. rep., Rutgers - The State Universityof New Jersey, June 2005.[9] J.Wang, S. Kennedy, and J. Kirtley, “A new wholesale bidding mechanism for enhanceddemand response in smart grids,” in Innovative Smart Grid Technologies(ISGT), 2010, pp. 1–8, IEEE, 2010.[10] S. Koch, J. L. Mathieu, and D. S. Callaway, “Modeling and control of aggregatedheterogeneous thermostatically controlled loads for ancillary services,” in Proc.PSCC, pp. 1–7, 2011.[11] M. Alizadeh, A. Scaglione, and R. J. Thomas, “From packet to power switching:Digital direct load scheduling,” IEEE Journal[12] C. De Jonghe, Short-term demand response in electricity generation planningand scheduling. PhD thesis, KU Leuven, 2011.[13] Global Smart Grid Federation, “Smart grids.” Online: http://www.globalsmartgridfederation.org/smart-grids/. Accessed: 2014-06-03.[14] European Technology Platform for Smart Grids, “What is a smart grid?.” Online:http://www.smartgrids.eu/ETPSmartGrids. Accessed: 2014-06-03.[15] J. Eto, “The past, present, and future of US utility demand-side managementprograms,” tech. rep., Lawrence Berkeley National Lab., CA (United States),1996.[16] M. Albadi and E. El-Saadany, “Demand response in electricity markets: Anoverview,” in IEEE Power Engineering Society General Meeting, vol. 2007,pp. 1–5, 2007.[17] C. Cuijpers and B.-J. Koops, “Smart metering and privacy in Europe: Lessonsfrom the Dutch case,” in European data protection: coming of age, pp. 269–293,Springer, 2013.[18] G. Strbac, “Demand side management: Benefits and challenges,” Energy Policy,vol. 36, pp. 4419–4426, Dec. 2008.[19] G. Barbose, C. Goldman, and B. Neenan, “A survey of utility experience withreal time pricing,” tech. rep., Lawrence Berkely National Laboratory, December2004.[20] S. Ashok and R. Banerjee, “An optimization mode for industrial load management,”IEEE Transactions on Power Systems, vol. 16, no. 4, pp. 879–884,2001.[21] M. Paulus and F. Borggrefe, “The potential of demand-side management inenergy-intensive industries for electricity markets in Germany,” Applied Energy,vol. 88, pp. 432–441, Feb. 2011.[22] B. Kirby, M. Starke, and S. Adhikari, “NYISO Industrial Load ResponseOpportunities : Resource and Market Assessment – Task 2 Final Report,” tech.rep., Oak Ridge National Laboratory, October 2009.[23] J. Couder and A. Verbruggen, “Uitbreiding van de tool saver-leap voor scenarioanalysesvoor de huishoudens,” Tech. Rep. MIRA/2008/01, Universiteit Antwerpen,onderzoeksgroep STEM, 2008. Studie uitgevoerd in opdracht van MIRA,milieurapport Vlaanderen.[24] D. Papadaskalopoulos, P. Mancarella, and G. Strbac, “Decentralized, agentmediatedparticipation of flexible thermal loads in electricity markets,” in 16thInternational Conference on Intelligent System Application to Power Systems(ISAP), pp. 1–6, IEEE, 2011.[25] R. De Coninck, R. Baetens, D. Saelens, A. Woyte, and L. Helsen, “Rule-baseddemand-side management of domestic hot water production with heat pumpsin zero energy neighbourhoods,” Journal of Building Performance Simulation,pp. 1–18, June 2013.[26] U.S. Department of Energy, “Energy Plus Energy Simulation Software.”Online: http://www1.eere.energy.gov/buildings/about.html. Accessed:2014-06-03.[27] W. Zhang, J. Lian, C.-Y. Chang, K. Kalsi, and Y. Sun, “Reduced-order modelingof aggregated thermostatic loads with demand response,” 51st IEEE Conferenceon Decision and Control (CDC), pp. 5592–5597, Dec. 2012.[28] C. Verhelst, F. Logist, J. Van Impe, and L. Helsen, “Study of the optimal controlproblem formulation for modulating air-to-water heat pumps connected to aresidential floor heating system,” Energy and Buildings, vol. 45, pp. 43–53, Feb.2012.[29] P. Bertoldi and B. Atanasiu, “Electricity consumption and efficiency trendsin the enlarged European Union,” tech. rep., Institute for Environment andSustainability, 2007.[30] R. Stamminger and G. Broil, “Synergy potential of smart appliances,” tech.rep., Smart-A, 2008.[31] P. Delaruelle, “Using Demand Flexibility in Smart Grids for Balancing Purposes,”Master’s thesis, KU Leuven, 2013.[32] C. Timpe, “Smart domestic appliances supporting the system integration ofrenewable energy,” tech. rep., Smart-A, 2009.[33] N. Tanaka et al., “Technology roadmap: Electric and plug-in hybrid electricvehicles,” International Energy Agency, Tech. Rep, 2011.[34] N. Leemput, J. Van Roy, F. Geth, P. Tant, B. Claessens, and J. Driesen,“Comparative Analysis of Coordination Strategies for Electric Vehicles,” inEuropean Electric Vehicle Congress (EEVC), October 2011.[35] M. D. Galus, R. La Fauci, and G. Andersson, “Investigating PHEV windbalancing capabilities using heuristics and model predictive control,” inPower and Energy Society General Meeting, pp. 1–8, IEEE, 2010.[36] J. Van Roy, N. Leemput, S. De Breucker, F. Geth, P. Tant, and J. Driesen, “AnAvailability Analysis and Energy Consumption Model for a Flemish Fleet ofElectric Vehicles,” in European Electric Vehicle congress (EEVC), October 2011.[37] R. A. Verzijlbergh, Z. Lukszo, E. Veldman, J. G. Slootweg, and M. Ilic, “Derivingelectric vehicle charge profiles from driving statistics,” IEEE Power and EnergySociety General Meeting, pp. 1–6, July 2011.[38] Q. Wu, A. H. Nielsen, J. Østergaard, S. T. Cha, F. Marra, Y. Chen, andC. Træholt, “Driving pattern analysis for electric vehicle (EV) grid integrationstudy,” in Innovative Smart Grid Technologies Conference Europe (ISGT Europe),IEEE, 2010.[39] N. Leemput, F. Geth, B. Claessens, J. Van Roy, R. Ponnette, and J. Driesen,“A case study of coordinated electric vehicle charging for peak shaving on a lowvoltage grid,” in 3rd IEEE PES International Conference and Exhibition onInnovative Smart Grid Technologies (ISGT Europe), pp. 1–7, IEEE, 2012.[40] W. Labeeuw, Characterization and modelling of residential electricity demand.PhD thesis, KU Leuven, 2013.[41] C. Nabe and G. Papaefthymiou, “All island renewable grid study updated toinclude demand side management,” tech. rep., Ecofys Germany GmbH, March2009.[42] D. Devogelaer, J. Duerinck, D. Gusbin, Y. Marenne, W. Nijs, M. Orsini, andM. Pairon, “Towards 100 % renewable energy in Belgium by 2050,” tech. rep.,VITO, ICEDD, Federal Planning Bureau, April 2013.[43] M. Alizadeh, T.-H. Chang, and A. Scaglione, “On modeling and marketing thedemand flexibility of deferrable loads at the wholesale level,” in 46th HawaiiInternational Conference on System Sciences (HICSS), pp. 2177–2186, IEEE,2013.[44] A. Scaglione, “Networks and Markets for Scheduling Energy Consumption.”Unpublished presentation, 2013.[45] T. Lambert, P. Gilman, and P. Lilienthal, Micropower System Modeling withHomer. John Wiley and Sons, 2006.[46] N. Lu, D. Chassin, and S. Widergren, “Modeling uncertainties in aggregated thermostaticallycontrolled loads using a state queueing model,” IEEE Transactionson Power Systems, vol. 20, pp. 725–733, May 2005.[47] S. Vandael, B. Claessens, M. Hommelberg, T. Holvoet, and G. Deconinck, “AScalable Three-Step Approach for Demand Side Management of Plug-in HybridVehicles,” IEEE Transactions on Smart Grid, vol. 4, pp. 720–728, June 2013.[48] D. Kirschen and G. Strbac, Fundamentals of power system economics. Wiley,2004.[49] H. Aalami, M. P. Moghaddam, and G. Yousefi, “Demand response modelingconsidering Interruptible/Curtailable loads and capacity market programs,”Applied Energy, vol. 87, pp. 243–250, Jan. 2010.[50] T. N. Taylor, P. M. Schwarz, and J. E. Cochell, “24/7 hourly response toelectricity real-time pricing with up to eight summers of experience,” Journalof regulatory economics, vol. 27, no. 3, pp. 235–262, 2005.[51] David,A.K. and Li, Y.Z., “Consumer rationality assumptions in the real-timepricing of electricity,” Generation, Transmission and Distribution IEEE Proceedings,vol. 139, no. 4, p. 315, 1992.[52] I. Richardson, M. Thomson, D. Infield, and A. Delahunty, “A modelling frameworkfor the study of highly distributed power systems and demand side management,”in International Conference on Sustainable Power Generation and Supply,pp. 1–6, April 2009.[53] I. Richardson, M. Thomson, and D. Infield, “A high-resolution domestic buildingoccupancy model for energy demand simulations,” Energy and Buildings, vol. 40,pp. 1560–1566, Jan. 2008.[54] I. Richardson, M. Thomson, D. Infield, and A. Delahunty, “Domestic lighting:A high-resolution energy demand model,” Energy and Buildings, vol. 41, no. 7,pp. 781–789, 2009.[55] I. Richardson, M. Thomson, D. Infield, and C. Clifford, “Domestic electricityuse: A high-resolution energy demand model,” Energy and Buildings, vol. 42,pp. 1878–1887, Oct. 2010.[56] IEA Statistics, “Energy statistics of oecd countries,” tech. rep., InternationalEnergy Agency, 2012.[57] FOD Economie Belgium, “Structuur van de bevolking volgens huishoudens: perjaar, gewest en grootte.” Online: http://statbel.fgov.be/nl/statistieken/cijfers/bevolking/structuur/huis…. Accessed:2014-06-03.[58] K. Bruninx, D. Patteeuw, E. Delarue, L. Helsen, and W. D’haeseleer, “Shorttermdemand response of flexible electric heating systems: the need for integratedsimulations,” in 10th International Conference on the European Energy Market(EEM), pp. 1–10, IEEE, 2013.[59] T. Van Oevelen, “Regeling van warmtepompsystemen in woningen, implementatievan modelgebaseerde predictieve regeling (in Dutch),” Master’s thesis, KULeuven, 2008.[60] TABULA, “Residential building typology.” Online: http://www.building-typology.eu/building-typology/country/be/. Accessed:2014-06-03.[61] “Meteonorm version 6.1 - edition 2009,” 2009.[62] F. A. Peuser, K.-H. Remmers, and M. Schnauss, Solar thermal systems:Successful planning and construction. Beuth Verlag GmbH, 2002.[63] D. Schalck et al., “Mobiliteitsrapport van Vlaanderen,” tech. rep., Mobiliteitsraadvan Vlaanderen, 2009.[64] P. Frankl and S. Nowak, “Technology roadmap: solar photovoltaic energy,” tech.rep., International Energy Agency, 2010.[65] Eandis, “Belgische distributienetbeheerder.” Online: http://www.eandis.be/eandis/klant/k_lokale_productie.htm. Accessed: 2014-06-03.[66] ERDF, “Panorama des installations de production raccordées.” http://www.erdfdistribution.fr/panorama_des_installations_de_production. Accessed:2014-06-03.[67] Belpex, “The Belgian power exchange.” http://www.belpex.be/. Accessed:2014-06-03.[68] C. Verhelst, F. Logist, J. V. Impe, and L. Helsen, “Study of the optimal controlproblem formulation for modulating air-to-water heat pumps connected to aresidential floor heating system,” Energy & Buildings, vol. 45, pp. 43–53, 2012.[69] VREG, “Vlaamse regulator van de elektriciteits- en gasmarkt.” Online: http://www.vreg.be/eenvoudige-aansluiting/. Accessed: 2014-06-03.[70] E. Veldman, Impacts of flexibility in future residential electricity demand ondistribution network utilisation. PhD thesis, Eindhoven University of Technology,September 2013.[71] P. Sotkiewicz and J. Vignolo, “Nodal pricing for distribution networks: efficientpricing for efficiency enhancing dg,” IEEE Transactions on Power Systems,vol. 21, pp. 1013–1014, May 2006.[72] D. Alaerts and J. De Turck, “Investigation and comparison of distributedalgorithms for demand-side management,” Master’s thesis, KU Leuven, 2013.[73] L. Fahrmeir, K. Thomas, S. Lang, and B. Marx, Regression. Models, Methodsand Applications. Springer, 2013.[74] M. Diehl, Script for Numerical Optimization Course. KU Leuven, 2012.[75] S. Weisberg, Applied linear regression, vol. 528. John Wiley & Sons, 2005.[76] “Graphpad curve fitting guide.” Online: http://www.graphpad.com/guides/prism/6/curve-fitting/index.htm?reg_appr…. Accessed: 2014-05-09.[77] A. C. Rencher, Methods of Multivariate Analysis. John Wiley & Sons, 2002.[78] Wikipedia, “Logistic function.” Online: http://en.wikipedia.org/wiki/Logistic_function.[79] W. L. Dunn and J. K. Shultis, Exploring Monte Carlo Methods. Elsevier, 2011.[80] C. Lemieux, Monte Carlo and Quasi-Monte Carlo Sampling, vol. 20. Springer,2009.[81] “Viessmann.” Online: https://www.viessmann.com/com/en/products/Gas-fired_condensing_boilers…. Accessed: 2014-06-03.[82] “Synergrid, de federatie van de netbeheerders elektriciteit en aardgasin België.” Online: http://www.synergrid.be/index.cfm?PageID=16896&language_code=NED. Accessed: 2014-06-03.[83] A. Faruqui and S. Sergici, “Household response to dynamic pricing of electricity:a survey of 15 experiments,” Journal of Regulatory Economics, vol. 38, no. 2,pp. 193–225, 2010.[84] M. Filippini, “Short- and long-run time-of-use price elasticities in Swiss residentialelectricity demand,” Energy Policy, vol. 39, no. 10, pp. 5811 – 5817,2011.[85] Elia, “The Belgian transmission system operator.” Online: http://www.elia.be/nl/grid-data. Accessed: 2014-05-26.

 

Universiteit of Hogeschool
Ingenieurswetenschappen: energie
Publicatiejaar
2014
Kernwoorden
Share this on: